用户个性化偏好图谱长短期记忆在画像演进中的深度融合在打造高度拟人化、具备长期深度陪伴与精准决策能力的自主智能体Agent时“用户个性化Personalization”是区分初级玩具与企业级高价值助手的分水岭。然而在面对用户动态变化的真实生活场景时传统的“静态键值标签Static Key-Value Tags”或“扁平向量记忆”面临着严重的**“时效冲突与偏好泛化无力”**场景 A短期临时需求误当成长期核心喜好用户在今天说了一句“我正在帮我朋友挑一款孕妇奶粉”如果系统机械地在长期画像中打上favorite_product 孕妇奶粉在未来 6 个月内该 Agent 都会持续向该单身男性用户疯狂推荐母婴用品产生灾难性的用户体验场景 B长期稳定底色与短期上下文的有机对齐用户长期的编程习惯是“坚定的 Python 工程师反感 Java 冗长语法”但在今天的具体会话中用户正在临时排查一段 Android 代码。智能体必须在**“尊重当前临时任务上下文”的同时依然保持其底层的“语言风格偏好”**。如何构建一套融合“短期工作上下文Short-term Transient Context 长期知识图谱实体关系Long-term Semantic Graph 动态置信度演化衰减”的“用户个性化偏好图谱中枢Personalized Preference Graph Engine”一、用户长短期个性化偏好图谱架构全景拓扑[ 用户最新单轮对话输入: 帮我用 Python 写一个轻量级脚本顺便说下我打算下周去日本旅游 ] │ ▼ ┌────────────────────────────────────────────────────────────────────────┐ │ 步骤 1: 偏好实体抽取与时效性意图判决 (Preference Classifier) │ │ 提取偏好实体与生命周期标签: │ │ • Entity 1: (User)-[PROPERTIES_LANG]-(Python) (长期稳固偏好 Long-term)│ │ • Entity 2: (User)-[INTENT_TRAVEL]-(Japan_2026) (短期时效意图 Short-term)│ └──────────────────────────────┬─────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────────────────────────┐ │ 步骤 2: 动态图谱演进与冲突消解 (Graph Evolution Consolidation) │ │ 动作: 1. 对长期关系节点执行【频次强化与置信度累加】(Confidence 0.2) │ │ 2. 对短期意图节点设置【TTL 生存周期 14 天】 │ │ 3. 若发现冲突 (如曾经喜欢 A现在说喜欢 B)触发【关系权重覆盖】 │ └──────────────────────────────┬─────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────────────────────────┐ │ 步骤 3: 偏好子图动态裁剪与 Prompt 注入 (Sub-graph Pruning) │ │ 动作: 根据当前任务领域仅抽取与当前 Query 拓扑度最高的 Top-1 亲和度子图│ └────────────────────────────────────────────────────────────────────────┘二、生产级 Python 用户个性化偏好图谱引擎实现实操import time from typing import Dict, List, Any from pydantic import BaseModel, Field class PreferenceEdge(BaseModel): subject: str User relation: str # 如 LOVES_PROGRAMMING_LANGUAGE, TRAVEL_DESTINATION target_object: str # 如 Python, Tokyo is_long_term: bool # 是否为长期固化画像 confidence: float 0.5 # 置信度得分 (0.0 ~ 1.0) created_at: float Field(default_factorytime.time) expires_at: float 0.0 # 短期意图过期时间戳 class PersonalizedPreferenceGraph: def __init__(self): # 存储用户的结构化偏好图谱: user_id - List[PreferenceEdge] self.user_graphs: Dict[str, List[PreferenceEdge]] {} def update_user_preference(self, user_id: str, new_edge: PreferenceEdge): if user_id not in self.user_graphs: self.user_graphs[user_id] [] existing_edges self.user_graphs[user_id] now time.time() # 1. 检查是否存在同名关系的已有边 (更新与演进) matched_edge next((e for e in existing_edges if e.relation new_edge.relation), None) if matched_edge: if matched_edge.target_object new_edge.target_object: # 观点重复确认 - 强化置信度 matched_edge.confidence min(1.0, matched_edge.confidence 0.15) print(f✨ 【偏好强化 】用户 [{user_id}] 对 [{new_edge.target_object}] 的喜爱度上升至 {matched_edge.confidence:.2f}) else: # 偏好发生转移 (如之前是 Java现在变为 Python) print(f 【偏好转移 】用户 [{user_id}] 关系 [{new_edge.relation}] 由 [{matched_edge.target_object}] 变更为 [{new_edge.target_object}]) matched_edge.target_object new_edge.target_object matched_edge.confidence 0.6 matched_edge.created_at now else: # 2. 新增关系边 if not new_edge.is_long_term: new_edge.expires_at now (14 * 86400) # 短期意图 14 天自动过期 existing_edges.append(new_edge) print(f 【新增偏好节点 】用户 [{user_id}] 绑定关系: ({new_edge.relation} - {new_edge.target_object})) def query_active_preferences_subgraph(self, user_id: str, query_domain: str) - List[str]: 提取当前有效且与当前领域相关的活跃画像子图 if user_id not in self.user_graphs: return [] now time.time() active_insights [] for edge in self.user_graphs[user_id]: # 过滤掉过期的短期临时意图 if not edge.is_long_term and edge.expires_at 0 and now edge.expires_at: continue active_insights.append(f- 用户偏好: {edge.relation} 为 [{edge.target_object}] (置信度: {edge.confidence:.2f})) return active_insights三、生产治理收益通过在智能体记忆中枢中推行个性化偏好图谱短期临时任务与长期核心习惯实现 100% 逻辑解耦彻底消灭了将临时琐事误当成终身喜好的低级误判用户画像实现了具有置信度权重的动态自进化与旧习惯自动覆盖智能体在与用户的长期交互中展现出了令人惊叹的默契度与定制化陪伴感。